GLOH算子

最新推荐文章于 2024-03-07 19:13:32 发布
原创 最新推荐文章于 2024-03-07 19:13:32 发布 · 4.5k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#sift #图像处理 #机器学习 #计算机视觉 #人脸识别

  在SIFT描述子的基础之上提出了一种称为GLOH(gradient location and orientation histogram)的描述子。为了增强其鲁棒性和独立性。以对数极坐标在半径方向建立三个带（6，11，15）和8个角度方向,该描述子（可参看下图）将检测到的兴趣区域按照径向和角度划分为17个子区域，然后每一个区域按照SIFT描述子的方法计算灰度梯度直方图，其中梯度角度划分为16个bin，然后各子区域的梯度直方图拼接成一个向量

最低0.47元/天 解锁文章

200万优质内容无限畅学
图像特征描述子之PCA-SIFT与GLOH
Zachary_Co的博客
12-20 3269
原文站点：https://senitco.github.io/2017/06/28/image-feature-PCA_SIFT-GLOH/  SIFT和SURF是两种应用较为广泛的图像特征描述子，SURF可以看做是SIFT特征的加速版本。在SIFT的基础上，又陆续诞生了其他的变体：PCA-SIFT和GLOH(Gradient Location-Orientation Histogram)。 PC
特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
热门推荐
Rachel Zhang的专栏
06-21 7万+
在前面的blog中，我们已经讲了SIFT的原理，这里我们再详细讲解SIFT的变体：PCA-SIFT和GLOH。 – Scale invariant feature transform (SIFT): Lowe, 2004. – PCA-SIFT: SIFT: Ke and Sukthankar 2004 Ke and Sukthankar, 2004. – Gradient locati
一种基于Harris算子的快速图像匹配算法 (2012年)
05-09
针对局部特征匹配面临的实时性和鲁棒性难以兼顾的问题，提出了一种基于Harris算子的快速图像匹配算法。通过分析Harris算子的基本原理，提出了用特征检测的中间数据描述局部特征，并建立了一种基于Harris自相关矩阵之迹的低维特征描述子，在保持算法鲁棒性的同时有效减少了算法的计算量，最后用特征描述子之间的绝对值距离作为相似性度量匹配特征点以降低计算复杂度。实验结果表明，本算法不仅对图像尺度缩放、旋转、模糊、亮度变化和较小视角变化保持不变，而且匹配速度较快。
图像局部特征（十九）--GLOH
工作笔记
02-22 7937
转自：http://blog.youkuaiyun.com/wishchin/article/details/45146117 GLOH特征（梯度位置方向直方图）        2005年MIko等人提出的SIFT的变子，改进为关键点周围的区间划分，由田字格划分修改为 八象限圆格划分，如下图：                在很大的一个训练集上训练得到PCA模型，再将272维直方图映射到一个128维的...
pca sift matlab,图像特征描述子之PCA-SIFT与GLOH
weixin_35681965的博客
03-20 843
SIFT和SURF是两种应用较为广泛的图像特征描述子，SURF可以看做是SIFT特征的加速版本。在SIFT的基础上，又陆续诞生了其他的变体：PCA-SIFT和GLOH(Gradient Location-Orientation Histogram)。PCA-SIFTSIFT特征提取主要分为4步：尺度空间构建，关键点定位，主方向分配，生成特征描述子。PCA-SIFT的前3步和标准SIFT相同，也就说...
图像局部显著性—点特征（GLOH）
wishchinYang的专栏
03-09 4543
        基于古老的Marr视觉理论，视觉识别和场景重建的基础即第一阶段为局部显著性探测。探测到的主要特征为直觉上可刺激底层视觉的局部显著性——特征点、特征线、特征块。         相关介绍：局部特征显著性—点特征（SIFT为例）         从特征提取上说，GLOH使用了各向同性平均；从特征选择的角度上说，GLOH使用了PCA方法，体现领域专用同时丧失一定的多领域泛化能力。 ...
【计算机视觉、关键点检测、特征提取和匹配】基于SIFT、PCA-SIFT和GLOH算法在不同图像之间建立特征对应关系，并实现点匹配算法和图像匹配（Matlab代码实现）
weixin_46039719的博客
03-07 1674
在本次任务中，我们尝试构建一个系统，能够检测图像中的关键点，从中提取不变的特征，并最终进行如上所述的特征匹配。然后，在找到图像中的关键点后，我们试图从这些关键点中提取出有区分性的特征。在这个任务中，我们尝试实现和评估一些算法，如HARRIS、MSER、SIFT、PCA-SIFT、GLOH，然后我们在symfeat数据集中测试我们的算法，该数据集包含展示了光照、年龄和渲染风格等各种戏剧性变化的图像对。在标准的CBIR系统中，从单个图像中自动检测出兴趣点，然后在这些兴趣点处计算特征向量。行百里者，半于九十。
CNN结构基元：纹理结构和纹理基元方程化GLOH、Gabor...（Code）
wishchinYang的专栏
12-26 6172
       模式识别专注于寻找相同模式的共性和不同模式的分离。CNN把特征提取全局化，其中重要的一个是纹理特征，利用卷积核来表示纹理基元，用以重现模式，应如何显示表示。        第一次使用纹理特征，2012年，使用了灰度共生矩阵：灰度共生矩阵-/Laws特征。此后LBP特征也是一种常用的特征：局部二元模式LBP特征。  此外Gabor变换用以提取纹理，可以使用变换后的能量和方差进行计算特...
计算机视觉基础（5）——特征点及其描述子
猪猪和超超的博客
10-17 9431
本文我们将学习到特征点及其描述子。在特征点检测中，我们将学习角点检测和SIFT关键点检测器，角点检测以哈里斯角点检测器为例进行说明，SIFT将从高斯拉普拉斯算子和高斯差分算子展开。在描述子部分，我们将分别学习SIFT描述子和二进制描述子的概念、基本计算流程以及优劣评价，并给出实例进行说明。
LogPolar 对数极坐标
weixin_33796177的博客
10-29 452
LogPolar 对数极坐标cvLogPolar对数极坐标(logpolar)是仿真生物视网膜中央凹陷的特性，具有数据压缩的能力，可用于目标跟踪中快速尺度和旋转变换不变的模板匹配。 对数极坐标其实就是将图像像素坐标转换成极坐标，然后对r求取对数，获得的坐标。 直角坐标系和极坐标系的变换公式为： 具体过程是怎么样的呢？首先要选定坐标原点，然后才能变换。一般坐标原点选为图像的中心点，如果...
基于GLOH算子和局部特征融合的人脸识别.pdf
09-23
在这一背景下，基于GLOH算子和局部特征融合的人脸识别算法应运而生，为解决上述问题提供了新的思路和技术路径。 GLOH（Gradient Location and Orientation Histogram）算子是一种结合了梯度方向和位置信息的特征...
计算机视觉python--Harris角点检测
qq_41934490的博客
02-25 1236
文章目录一. 图像特征匹配二. Harris角点检测2.1 何为角点2.2 如何检测角点—Harris算法2.3 实现效果2.3.1 Harris角点检测代码：2.3.2 Harris角点检测效果图2.3.3 实验分析 一. 图像特征匹配 图像的局部特征主要分为以下几类： 角点：Harris算子，SUSAN算子, FAST算子。 梯度特征点： SIFT、SURF、GLOH、ASIFT、PSIFT算...
MSER仿射不变特征匹配算法
AutoXTruck专栏
03-25 4737
MSER原理简述 　　个人博客 OpenCV实践之MSER仿射匹配算法 已更新讲述MSER仿射匹配算法代码 　　 　　区域检测(Region Detection)方法是根据图像中具有某种同类性质的像元进行分类(例如相同像素值大小的点)，然后把具有相同性质的像元合并成区域，实现区域的检测即图像分割。MSER(Maximally Stable Extremal Regions最大极值区域检测)方...
【OpenCV】图像变换（六）对数极坐标变换LogPolar&直方图均衡EqualizeHist
技术小白
04-29 6052
（1）Log-Polar变换 对于二维图像，Log-polar转换表示从笛卡尔坐标到极坐标的变换。关于笛卡尔坐标向极坐标的变换，这个数学上的变换，我相信在中学很多人就明白，在这里就不做过多的赘述。 关于为什么要进行对数极坐标变换？对我们来说，更为重要的是，对数极坐标变换是对物体视场的一种不变表示，即当变换图像的质心移动到对数极坐标平面的某个固定点时。如下图所示，左边三个是我们想要识别成“正方形”
对数极坐标
何雷
11-19 1853
一.   对数极坐标 原文地址：http://blog.youkuaiyun.com/carson2005/article/details/7185552 在介绍对数极坐标之前，让我们先来介绍极坐标的概念。在平面内选择一个定点O作为“极点”，从该点引出一条射线OX，叫做“极轴”，再选定一个长度单位和角度的正方向(通常取逆时针方向)。对于平面内任何一点M，可以用r来表示OM的长度，用表示OM到O
常见特征描述符介绍
zqshust的博客
05-30 5041
系列文章目录 Descriptor描述符提供特征点Keypoint周围的独特信息。本章将介绍基于梯度的描述符和二进制描述符的差异，以及计算速度的优势。 基于梯度的描述符的的代表：Scale Invariant Feature Transform (SIFT)； 二进制描述符代表：Binary Robust Invariant Scalable Keypoints (BRISK) 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录HOG描述符Scale-Invaria
《高斯核函数的两点性质》
u012683629的专栏
03-15 6万+
高斯核函数的两点性质  高斯核函数 K(x,y)=exp(-||x-y||2/2σ2) 在选择核函数时，若对给出的数据没有先验知识，RBF核就是最好的选择。为了研究为什么使用了核技巧的学习机器往往具有良好的推广能力，文献[1]建立了核函数K与正则化算子P之间的关系来考察部分核函数的推广能力，并说明了采用RBF核的支持向量机可以获得非常平滑的估计，这就解释了为什么SVM采用RBF核时往往具有
描述子设计方法介绍
tostq的专栏
11-30 5393
摘要 前文中我们介绍了兴趣点是如何检测和最新的改进思路，这里我们介绍下局部描述子设计的方法，其主要是通过提取兴趣点周围区域的特征，然后将特征描述成向量形式（即描述子），目前看来兴趣点周围区域的特征提取过程，一般都是采用采样局部点（区域）的特征的方法，然后将兴趣点整个区域内所以采样点（区域）的特征组合在一起。如SIFT方法先将兴趣点附近分成了4*4的小块，然后统计这16个块中每块的8个方向梯度值，
GLOH-like
最新发布
05-28
<think>好的，用户想了解与GLOH相关的概念或技术，特别是GLOH-like的特征检测或描述子。首先，我需要回忆GLOH的基本信息。GLOH是SIFT的一种改进版本，主要用于提高描述子的区分度和鲁棒性。接下来，我应该结合用户提供的引用资料，看看是否有相关的信息可以支持解释。引用[2]提到SIFT描述子是基于局部感受野响应直方图的，而GLOH可能在这方面进行了改进。引用[5]是关于局部描述子的性能评估，可能涉及GLOH与其他描述子的比较。需要确认GLOH的结构，比如极坐标分块、对数极坐标区域划分，以及主成分分析降维的应用。同时，用户可能想知道GLOH的优势，比如旋转不变性、尺度不变性，以及与其他方法如SIFT、SURF的区别。 另外，用户的问题中提到“GLOH-like”特征，可能需要解释类似GLOH的其他描述子，或者后续的发展。需要确保回答结构清晰，分点说明核心思想、技术实现、优势对比和应用场景。可能还需要生成相关问题，比如GLOH与SIFT的区别，或者主成分分析在其中的作用。需要检查是否有遗漏的关键点，比如引用[3]或[4]是否相关，但看起来主要信息在引用[2]和[5]。最后，确保使用正确的中文术语和LaTeX格式，符合用户的要求。</think>### GLOH（Gradient Location-Orientation Histogram）特征描述子 GLOH（梯度位置-方向直方图）是SIFT描述子的改进版本，通过优化空间分块结构和降维方法提升特征匹配的鲁棒性。其核心思想结合了梯度方向统计与空间位置编码，主要技术实现包括： 1. **极坐标分块结构** 将关键点邻域分为$r=3$个同心圆环，每个环沿角度划分为$θ=8$个扇形区，形成$3 \times 8=24$个子区域。相比SIFT的$4 \times 4$网格划分，这种结构更符合图像变换的几何特性[^2][^5]。 2. **对数极坐标梯度统计** 在每个子区域内计算梯度方向直方图（8个方向bin），总维度为$24 \times 8=192$维。通过高斯加权消除边缘效应，公式表示为： $$ w(x,y) = \exp\left(-\frac{(x^2 + y^2)}{2\sigma^2}\right) $$ 3. **PCA降维优化** 使用主成分分析将192维向量降至64维，保留主要判别信息的同时减少计算量。实验表明该操作能提升15%-20%的匹配精度[^5]。 ### 与SIFT的关键差异 | 特性 | SIFT | GLOH | |-------------|------------------|-------------------| | 空间划分 | 笛卡尔坐标系4×4 | 极坐标系3×8 | | 维度 | 128维 | 64维（PCA降维后） | | 光照鲁棒性 | 直方图归一化 | 附加PCA去相关 | ### 应用场景 - 宽基线立体匹配（如视角变化超过30°的场景） - 部分遮挡物体识别 - 医学图像配准（需保持旋转不变性）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值